Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Aprendizagem adaptativa

Criado 2026-08-09 · Atualizado 2026-09-30

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Aprendizagem adaptativa — sistemas educacionais orientados por IA que ajustam o conteúdo, o ritmo e as estratégias de instrução com base nas características e no desempenho de cada estudante. A aprendizagem adaptativa é o objetivo operacional de boa parte da pesquisa em IA na educação: usar modelos de estudante para personalizar a instrução.

Perguntas para refletir

  • "Adaptativa", "personalizada", "individualizada" e "customizada" são palavras frequentemente usadas como sinônimos — mas a pesquisa sugere que não são a mesma coisa. O que você assume que cada palavra significa, e onde essas suposições podem estar erradas?
  • Um sistema adaptativo ajusta o conteúdo e a dificuldade com base em um modelo do que você sabe. O que pode dar errado se esse modelo se apoia em sinais rasos ou não confiáveis sobre a sua aprendizagem?
  • Um achado central é que sistemas que inferem o domínio a partir de respostas corretas podem encerrar a prática cedo demais — antes de você aprender quando não realizar uma ação. Você consegue pensar em uma habilidade em que estar "correto" repetidamente ainda assim o deixou despreparado para uma situação real?
  • A adaptação excessiva pode remover a luta produtiva de que os estudantes precisam para aprender profundamente. Se a IA continua facilitando as coisas no momento em que você tem dificuldade, o que exatamente o estudante perde?
  • Meta-análises sugerem que o mecanismo de adaptação — e não a geração específica da ferramenta — é o que produz os ganhos de aprendizagem. Se o "como" importa mais do que "qual ferramenta", o que você deveria observar ao escolher um software adaptativo?
  • Tutores baseados em LLM já conseguem adaptar a linguagem e o estilo de explicação, não apenas a dificuldade. Quando personalizar a forma como algo é explicado ajuda a aprendizagem, e quando isso pode silenciosamente minar a autonomia do próprio estudante?

Introdução

Mecanismos centrais

Evidências de eficácia

A base de conhecimento documenta evidências mistas: os sistemas adaptativos melhoram os resultados quando a adaptação se apoia em modelos de estudante confiáveis, mas uma adaptação mal calibrada pode prejudicar a aprendizagem. A pesquisa sobre personalização distingue a adaptação eficaz da customização superficial. As revisões sistemáticas constatam que "adaptativa", "personalizada", "individualizada" e "customizada" são usadas de forma inconsistente — de modo que os tamanhos de efeito dependem fortemente de como a adaptação é operacionalizada, e o campo pede um framework unificado.

Uma revisão PRISMA 2020 que triou 959 registros até chegar a 22 intervenções no ensino superior conta as trajetórias adaptativas e os sistemas de recomendação entre as principais aplicações de IA, mas a maioria dos estudos melhorou a prática existente em vez de transformá-la (AlSheikh et al. (2026)).

É o fundamento pedagógico, e não a capacidade técnica, que dirige a adaptação. Uma revisão de 15 anos de 127 estudos de tutoria inteligente constata que a maioria dos sistemas foi construída em torno do que a tecnologia consegue fazer, e não de um princípio pedagógico declarado, e situa o ganho médio de um STI em cerca de 20%, contra até 98% para a tutoria humana (Zerkouk et al. (2025)).

A adesão, e não o mecanismo de adaptação, foi a restrição determinante em um RCT distrital de dois anos: reduzir a inscrição a um único passo elevou a adesão à primeira sessão de cerca de 45% para 83% apenas com mudanças de desenho, e os ganhos na análise por intenção de tratar cresceram conforme a adesão aumentava (Oreopoulos et al. (2026)).

Uma revisão alinhada à PRISMA de 44 estudos constata que a literatura sobre engajamento é enviesada para o engajamento comportamental e mais escassa no engajamento agêntico, e relata um efeito de novidade — o engajamento declinando ao longo do tempo em estudos longitudinais do ALEKS e do W-Pal depois que a novidade da ferramenta se dissipou (Simon, Zeng & Fryer (2026)).

A era da IA: a adaptação baseada em LLM e seus riscos

A IA generativa ampliou o que os sistemas adaptativos podem fazer — tutores agênticos conversacionais, conteúdo ancorado em RAG (Geração Aumentada por Recuperação) e tutoria movida por Grandes modelos de linguagem (LLMs) e por tutoria inteligente, que se adapta não apenas à dificuldade dos problemas, mas a linguagem e o estilo de explicação (por exemplo, LearnMate-2, DeepTutor: Towards Agentic Personalized Tutoring, tutoria adaptativa multiagente). No entanto, a adaptação baseada em LLM introduz novos riscos: sem modelos de estudante confiáveis, a adaptação pode se apoiar em sinais rasos; a adaptação excessiva pode reduzir a luta produtiva de que os estudantes precisam (veja Dificuldades desejáveis, Descarregamento cognitivo); e o equilíbrio entre personalizar e preservar a autonomia do estudante é uma questão de desenho em aberto (veja IA agêntica). Uma variante da adaptação solicitada pelo estudante funciona sem nenhum modelo de estudante: no curso de pós-graduação de Sidorkin (2026), as leituras se ajustavam apenas quando os estudantes faziam perguntas de acompanhamento para reformular, aprofundar, simplificar ou localizar o conteúdo, e as solicitações orientadas à compreensão produziam de forma confiável um andaimento mais denso (de 3,4x a 8,7x mais marcadores de definição do que no texto de linha de base), e é por isso que exigir ao menos três perguntas de acompanhamento por leitura transformou o material em uma interação. Isso também transfere o peso da adaptação para o estudante: aqui, a adaptação só acontece se o estudante souber o que pedir.

Relação com a aprendizagem personalizada e a tutoria inteligente

A aprendizagem adaptativa é frequentemente confundida com a aprendizagem personalizada, mas elas diferem. A aprendizagem adaptativa é o mecanismo — o ajuste em tempo real de conteúdo, ritmo e dificuldade com base em um modelo do estudante. A aprendizagem personalizada é o objetivo mais amplo de adequar toda a experiência de aprendizagem a um indivíduo, do qual a adaptação em tempo real é uma implementação. Os sistemas adaptativos são o meio canônico rumo à personalização. A tutoria inteligente é a plataforma clássica: os STI combinam diagnóstico (modelagem do estudante, rastreamento de conhecimento) com adaptação, e os tutores baseados em LLM se adaptam de forma conversacional. Junto com a aprendizagem personalizada, a aprendizagem adaptativa é um membro do lado da aplicação da família modelagem do estudante e instrução adaptativa — consumindo as representações do estudante produzidas pelo Modelagem de quem aprende e instrução adaptativa, pelo Rastreamento de conhecimento e pelo Diagnóstico Cognitivo.

Evidências de pesquisa

  • Evidências metaanalíticas sobre ferramentas adaptativas + de IA. Uma meta-análise do Banco Mundial de 14 RCTs reúne aprendizagem assistida por computador adaptativa, tutoria inteligente e IA generativa em uma escala comum, estimando um ganho médio de aprendizagem de ~0,125 dp, sem diferença significativa entre as duas gerações de tecnologia — evidência de que é o mecanismo de adaptação, e não a geração específica da ferramenta, que produz os ganhos.

  • Algoritmos adaptativos comparados em domínios dinâmicos. A pesquisa sobre STI baseados em grafos compara múltiplos algoritmos de aprendizagem adaptativa (incluindo propagação bayesiana de conhecimento e lógica fuzzy intuicionista) em um framework de representação de conhecimento baseado em grafos para currículos dinâmicos.

  • O RL como mecanismo de adaptação, mapeado empiricamente. Riedmann, Schaper & Lugrin (2025) sintetizam 89 estudos de RL na educação e constatam que a adaptação se divide em mecanismos relacionados ao conteúdo (sequenciamento instrucional/cronogramação de conteúdo, n = 53) e relacionados à orientação (dicas, Retroalimentação (Feedback), seleção de atividades, n = 36) — com o RL mostrando superioridade estatisticamente significativa sobre as linhas de base com mais frequência na adaptação relacionada à orientação do que no sequenciamento de conteúdo. Eles recomendam RL sem modelo para a aprendizagem adaptativa e alertam que o RL clássico superou o RL profundo nos estudos revisados.

  • A adaptividade baseada em correção pode encerrar a prática cedo demais. An, McLaren e Stamper (2026) constataram que sistemas adaptativos que inferem o domínio a partir da correção correm o risco de encerrar a prática antes de os estudantes encontrarem contextos em que a ação aprendida deveria ser contida — deixando a generalização excessiva enganosa sem detecção. Eles recomendam incluir tarefas de detecção do tipo "não aja" antes que as regras de parada por domínio sejam acionadas, para que a adaptação teste a compreensão condicional (saber quando conter uma ação), e não apenas a correção.

  • Uma sequência de acertos não é aprendizagem durável. Em um experimento de campo com 6.000 estudantes do ensino fundamental 2, uma regra de domínio de "três acertos seguidos" apoiada por IA elevou o alcance definido pela plataforma em cerca de 28,7 pontos percentuais, sem melhorar um teste aplicado uma semana depois, de modo que as métricas de domínio precisam ser validadas contra a aprendizagem retardada, em vez de substituí-la (Oreopoulos et al. (2026)).

  • Adapte o tipo de engajamento cognitivo, e não apenas a dificuldade. Tithi et al. (2026) constataram que políticas de BKT e de RL profundo que atribuíam exemplos trabalhados guiados (ativos) ou com erros típicos (construtivos) superaram a atribuição aleatória em um tutor de lógica com 113 estudantes (pós-teste 72,3 e 72,5 contra 65,7), com o BKT servindo melhor aos estudantes com conhecimento prévio baixo e o RL profundo aos de conhecimento prévio alto.

  • Mais feedback não é feedback melhor. Em um curso adaptativo de estocástica de oito semanas (194 estudantes), o feedback diretivo, informativo e transformador foram adotados de formas diferentes, e o feedback transformador foi associado a sobrecarga cognitiva em vez de uma regulação melhor — a adaptatividade precisa corresponder à fase e à necessidade do estudante, e não maximizar a densidade de feedback (Mejeh & Fromm (2026)).

  • Perfis de engajamento como alvos de adaptação. An, Hammock & Goel (2025) rastrearam 315 estudantes on-line construindo 822 modelos no VERA e classificaram seu engajamento em perfis de Observação, Construção e Exploração, constatando que os estudantes tendem a progredir de um comportamento focado na construção rumo a uma Exploração mais plena e orientada por hipóteses, enquanto a Observação persiste ao longo das fases. Eles argumentam que o desenho adaptativo e personalizado deveria reconhecer esses perfis e mirar o feedback (por exemplo, recomendando modelos similares ou apoiando uma compreensão conceitual mais profunda) para levar os observadores superficiais rumo a uma modelagem mais integrativa e de ciclo completo.

  • Uma memória que é lida, mas não escrita, não é adaptação. O controle de memória congelada do CoLearn servia itens fixos enquanto ainda lia o perfil do estudante, e a parcela de itens direcionados a uma habilidade genuinamente fraca caiu de 0,72 para 0,57, com o erro final de domínio subindo acima da condição adaptativa (He et al. (2026)).

  • O ganho veio do sequenciamento, não de um tutor mais inteligente. Chung et al. (2026) treinaram um tutor personalizado com aprendizado por reforço guiado por LLM e o implantaram em um curso de Python de cinco meses em dez escolas de ensino médio de Taipei, randomizando 770 estudantes entre sequências de problemas adaptativas e fixas do fácil ao difícil. O sequenciamento adaptativo elevou a nota do exame final presencial e sem apoio em 0,156 DP (0,150 DP com controles) — enquanto a análise de mediação atribuiu o efeito quase inteiramente ao engajamento (0,185 DP via tempo de tarefa, 0,149 DP via tentativas) e não a material mais fácil ou mais difícil, e os ganhos foram maiores para iniciantes e para escolas de nível mais baixo. A alavanca adaptativa foi a ordem da prática, não a qualidade do chat.

  • Mantenha as decisões de domínio baseadas em regras e restrinja o aprendizado de máquina ao monitoramento. Um programa adaptativo de STEM de oito semanas para 30 estudantes do 6º ano governou as trajetórias por domínio baseado em regras, enquanto o aprendizado de máquina rastreava o desempenho, mantendo a adaptação auditável, mas, sem pré-teste e com uma sala de aula por condição, seus ganhos são um modelo piloto a ser validado localmente (Bin Bakheet et al., 2026).

  • Adapte o atributo gargalo, não a média fraca. A modelagem de transição dos estados de conhecimento classificou o pensamento analítico como o mais difícil de adquirir e o mais fácil de perder — menor probabilidade de transição para frente 0,31 e maior para trás 0,22–0,23 — tornando a repetição do atributo sinalizado um alvo de adaptação mais preciso do que o domínio geral (Feng & Huang, 2026).

  • Adaptação a partir de sequências de processo, não de escores agregados. Wong, Bulathwela & Cukurova (2026) derivaram regras de andaimento minerando a ordem das 65 jogadas de diálogo dos estudantes em trios, movendo a aprendizagem adaptativa de medidas comportamentais ou de desempenho agregadas rumo a sequências de processo individuais; o andaimento máximo elevou o comportamento em tarefa, mas também o roteirização, e o desenho não foi testado.

Conceitos conectados

Artigos conectados

Metadados

Aprendizagem e ensinoAndaime (Scaffolding)
Tecnologias e técnicasDiagnóstico Cognitivo, Tutoria inteligente, Rastreamento de conhecimento, Analítica de aprendizagem, Grandes modelos de linguagem (LLMs), Aprendizagem personalizada, Modelagem de quem aprende e instrução adaptativa
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.